基于改进MCA的干涉高光谱图像.pdfVIP

第３６卷 ，第１期 光 谱 学 与 光 谱 分 析 Vol.３６ ，No.１ ， ２５４‐２５８ pp ２ ０ １ ６ 年 １ 月 Spectroscopy and Spectral Analysis January，２０１６ MCA １ ，２ ２ ３ ２ ， ， ， １ ．天津工业大学电子与信息工程学院，天津 ３００３８７ ２ ． 中国科学院软件研究所天基综合信息系统重点实验室，北京 １００１９０ ３ ．西安石油大学计算机学院， 陕西 西安 ７１００６５ 干涉高光谱图像特殊的成像原理，使其帧内存在着大幅值且位置固定的干涉条纹，而帧间存在着 水平移位的背景图像，这种特点会严重的破坏原始图像的固有结构，从而导致新兴的压缩感知理论与传统 压缩算法的直接应用无法得到理想的效果。 由于干涉条纹信息与背景图像信息的特征不同，能够对干涉条 纹与背景图像进行稀疏表示的正交基也是不同的。 基于这种思想，使用 MCA（morphological component a‐ nalysis）算法对干涉高光谱图像中干涉条纹信息与背景图像信息进行分离处理。 由于干涉高光谱图像数据量 庞大，传统的MCA算法对干涉高光谱数据的图像分解，迭代收敛速度慢，运算效率较低，故而针对干涉高 光谱数据特点对传统MCA算法进行改进，改变其迭代收敛条件，当分离后的图像信号与原始图像信号的误 差已经基本保持不变时，即终止迭代；并根据对应正交基能且仅能稀疏表示对应信号的思想，对阈值采用自 适应的方式进行更新，在新的阈值更新模式中，图像信号在不同正交基下的映射系数被计算与比较。 大量实 验结果表明，对于LASIS数据与LAMIS数据，MCA算法都能够较完美的将干涉高光谱图像分解，改进的 MCA算法更能在保持完美分解输出结果的同时，相对于传统 MCA方法显著的减小迭代次数，更快的达到 迭代收敛条件，从而有效的提高了算法的运算效率与实时性需求，也为新兴的压缩感知理论在干涉高光谱 图像中的进一步应用提供了一种很好的解决方案。 干涉高光谱图像；形态成分分析MCA；稀疏表示；压缩感知 ：O４３３.４ ：A DOI ：１０.３９６４／.issn.１０００‐０５９３（２０１６）０１‐０２５４‐０５ j 纹的影响，由于干涉高光谱数据每帧存在大幅值且位置固定 引 言 的竖直干涉条纹，而背景图像在帧与帧间存在着移位现象， 这种固有的特点严重的影响了传统的预测编码， 自适应提升 干涉高光谱成像技术在航空遥感领域中是很有价值的实 小波变换等方法的压缩效果，也无法满足新型理论压缩感知 用技术，可以获得观测目标的光谱信息与空间信息， 目前在 中稀疏表示的前提条件。 文献［２］中尝试采用对应列抽取的 气象、 军事、 环境监测和地质等领域都有较为广泛的实际应 方式改变干涉高光谱图像的数据结构，但干涉条纹始终无法 用。 干涉高光谱图像数据是由基于推扫式傅里叶变换型成像 消除；文献［４］中，通过更改小波变换顺序消除干涉条纹在 原理的大孔径干涉光谱仪（largeaperture staticimaging spec‐ 高